Sari la conținut

Română · beta. Traducerea a fost făcută automat și este încă în curs de revizuire. Citește pagina în engleză

Benchmark-uri

Surse
8
Intrări urmărite
22.325
Ultima sincronizare
48 min
Toate sursele se sincronizează normal
  • Arena · Textacum 6 ore
  • Arena · WebDevacum 6 ore
  • Arena · Visionacum 6 ore
  • Arena · Agentacum 6 ore
  • GPQA Diamondacum 48 de minute
  • SWE-benchacum 48 de minute
  • Terminal-Benchacum 48 de minute
  • ARC-AGI-2acum 48 de minute

glm-4-plus

47±1

46interval48

zaioct. 2026oscilație #232–#509

General ×1WebDev Arena ×1Vision Arena ×1Factuality Arena ×1Search Arena ×1Document Arena ×1Agent Arena ×1GPQA Diamond ×1AIME (matematică) ×1FrontierMath ×1SimpleQA Verified ×1ARC-AGI-2 ×1Humanity's Last Exam ×1SimpleBench ×1LiveBench ×1BFCL v4 (apelare de funcții) ×1inactivSWE-bench Verified (clasament live) ×1Terminal-Bench 4.0 ×1MMLU-Pro (Artificial Analysis) ×1LiveCodeBench (Artificial Analysis) ×1IFBench (Artificial Analysis) ×1Halucinații HHEM (Vectara) ×12 din 1034 modele
ModelOrganizațieIntervalOscilațieiiiiiiiiiiiiiiiiiiiiiiAdaugă la comparație
444glm-4-plus-0111zaiian. 2025—49.1 46.5Clasat 49.1 = (1 × 46.5 + 3 × 50) ÷ 4. 46.5 este percentila medie pe cele 1 din 22 axe selectate pe care este măsurat modelul; cu cât sunt mai puține axe, cu atât tragerea spre 50 este mai puternică.48–50—1/22redusă#203–44446—————————————————————
509glm-4-pluszaioct. 2026—47.3 39.1Clasat 47.3 = (1 × 39.1 + 3 × 50) ÷ 4. 39.1 este percentila medie pe cele 1 din 22 axe selectate pe care este măsurat modelul; cu cât sunt mai puține axe, cu atât tragerea spre 50 este mai puternică.46–48—1/22redusă#232–50939—————————————————————

Mixul este contractat după acoperire; scorul compus brut apare gri lângă el · O insignă „redusă” înseamnă că mai puțin de 3 clasamente au evaluat acest model

Puținele lucruri din AI și cuantic care au contat cu adevărat săptămâna asta — rezumate cinstit.

Un e-mail pe săptămână. Dezabonare dintr-un clic. Fără urmărire, fără partajare.